Perbandingan Distance Space Manhattan Dengan Euclidean Pada K-Means Clustering Dalam Menentukan Promosi

Perbandingan Distance Space Manhattan Dengan Euclidean Pada K-Means Clustering Dalam Menentukan Promosi

• By Fajriah, Rahma, Isparani; Sutisna, Herlan; Simpony, Bambang, Kelana;
• D3 - Sistem Informasi
• 264
• 36-49

Dinamika pola pendidikan yang begitu cepat dan silih berganti menjadikan persaingan antar sekolah semakin ketat dan atraktif , Dengan adanya persaingan ini strategi pemasaran yang tepat untuk lembaga pendidikan mutlak diperlukan, tak terkecuali untuk SMK Muhammadiyah Cimanggu. Untuk memperoleh strategi pemasaran yang efektif, maka penulisan ini dilakukan dengan cara mengolahan data history dengan tujuan mengetahui pola, sehingga dapat mengambil informasi yang tersembunyi dari data-data tersebut. Metode pengolahan data seperti ini sering disebut sebagai data mining. K-Means merupakan salah satu metode data clustering non hirarki yang sederhana. Pada penulisan ini, membandingan dua distance space yaitu antara Manhattan (City Block) dan Euclidean. Dari hasil penulisan dapat dilihat bahwa jumlah kluster terbaik pada data siswa SMK Muhammadiyah Cimanggu yaitu 3 kluster, hal ini dapat dilihat dari hasil selisih nilai Sum Square Error (SSE), nilai selesih terbesar pada metode Euclidean distance space yaitu sebesar 5.882 berada dititik kluster 3 dan nilai selesih terbesar pada metode Manhattan distance space yaitu sebesar 5.758 berada dititik kluster 3, Hal ini menunjukan bahwa jumlah cluster optimal untuk data siswa SMK Muhammadiyah Cimanggu yaitu sebanyak tiga cluster. dilihat dari Average within Centroid distance, Euclidean lebih kecil dibandingkan dengan manhattaan yaitu 15.115 < 15.398 , oleh karna itu Distance measure paling optimal untuk digunakan dalam kasus pengclusteran data siswa SMK Muhammadiyah Cimanggu adalah Euclidean distance.

• Katakunci k means, manhattan, euclidean, strategi promosi.
• URL https://ejournal.bsi.ac.id/ejurnal/index.php/ijcit/article/view/4630/pdf_1
• Penerbit ,

REFERENSI

Anggara, M., Sujiani, H., & Helfi, N. (2016). Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness. Jurnal Sistem Dan Teknologi Informasi, 1(1), 1–6.

Burhanuddin, A., Utami, E., & Pramono, E. (2017). Perbandingan Metode Single Linkage dan Fuzzy C Means Untuk Pengelompokkan Trafik Internet, XII, 1–6.

Chasanah, T. T., & Widiyono. (2017). Penentuan Strategi Promosi Penerimaan Mahasiswa Baru dengan Algoritma Clustering K-Means. IC-Tech, XII(1), 39–44.

Eka Merliana, N. P., Ernawati, & Santoso, A. J. (2015). Analisa Penentuan Jumlah Cluster Terbaik Pada Metode K-Means. Prosiding Seminar Nasional Multi Disiplin Ilmu&Call for Papers Unisbank (Sendi_U), 978–979.

Hedynata, M. L., & E.D.Radianto, W. (2016). Strategi Promosi Dalam Meningkatkan Penjualan Luscious Chocolate Potato Snack. Jurnal Manajemen, 1(1), 87–96. Retrieved from

Hendrawan, B. (2015). Artikel Skripsi Unersitas Nusantara PGRI Kediri. Implementasi Sms Geteway Untuk Layanan Informasi Absensi Siwa, 01(11), 1–16. https://doi.org/10.1.03.03.0022

Ong, J. O. (2013). Implementasi Algotritma K-means clustering untuk menentukan strategi marketing president unersity. Jurnal Ilmiah Teknik Industri, vol.12, no(juni), 10–20.

Sulastri, H., & Gufroni, A. I. (2017). Penerapan Data Mining Dalam Pengelompokan Penderita Thalassaemia. Jurnal Teknologi Dan Sistem Informasi, 3(2), 299.

Yoga Religia. (2016). Metode Manhattan , Euclidean Dan Chebyshev Pada Algoritma K-Means Untuk Pengelompokan Status Desa.

Yudi Agusta. (2007). NIMH report presents latest data on inpatient psychiatric services for patients 65 and over. News & Notes, 3(11), 47–60.